fully automated orthodontic photograph analysis by machine learning

Introduction: the craniofacial anthropometric ratios are very useful in sciences such as dentistry, maxillofacial surgery, developmental studies and plastic surgery. the manual method of analyzing facial photographs requires a lot of time and precision. the aim of this study was to introduce an application tool that fully automates the analysis of facial photographs and compare it with the manual method. materials & methods: in this cross-sectional study, the database consisted of 395 profile photographs, 271 frontal photographs in smile and 346 frontal photographs at rest. a two-stage fully convolutional network architecture was used for landmark detection. two methods of manual and automatic analysis were compared in the measurement of 8 variables, including buccal corridor space, ratio of the height of the middle to the lower third of the face, total facial convexity angle, facial convexity angle, nasofacial angle, mentolabial angle, and nasofrontal angle. the agreement between the two methods was evaluated using the paired t-test and intraclass correlation coefficient (icc). a value of p<0.05 was considered significant. results: for total facial convexity (p=0.005), nasofacial (p=0.001), and nasolabial (p=0.02) angles, the difference between the two methods was significant. however, no significant difference was found between the two methods for facial convexity, mentolabial, nasofrontal, buccal corridor space, and the ratio of the height of the middle to the lower third of the face no significant difference was observed between the two methods. the icc for all variables was found to be greater than 0.69 except for the nasolabial angle. for most of the measured variables, the accuracy of the automatic method was similar to that of the manual method. conclusion: machine learning has the potential to be used in clinical soft tissue analysis. it offers the ability to perform reliable and repeatable analyses on large image datasets.

آنالیز کاملا خودکار فتوگرافی های ارتودنسی با یادگیری ماشینی

مقدمه: نسبت های آنتروپومتریک سر و صورت در علومی همچون دندانپزشکی، جراحی فک و صورت، مطالعات رشد، جراحی پلاستیک و ... کاربرد دارد.  روش دستی آنالیز فتوگرافی های صورت مستلزم صرف وقت و دقت زیاد میباشد. هدف طراحی نرم افزار آنالیز تمام اتوماتیک فتوگرافی های صورت و مقایسه آن با آنالیز دستی می باشد.مواد و روش ها: در این مطالعه مقطعی، مجموعه داده شامل 395 فتوگرافی پروفایل، 271 فتوگرافی فرونتال در حالت لبخند و 346 فتوگرافی فرونتال در حالت استراحت اختصاص داده شد. یک شبکه عصبی 2 مرحله ای با معماری شبکه عصبی کانولوشنال کامل  برای مکان یابی لندمارک ها طراحی شد. دو روش آنالیز دستی و اتوماتیک در اندازه گیری 8 متغیر فضای راهرو باکال، نسبت ارتفاع یک سوم میانی به یک سوم تحتانی صورت و زوایای تحدب کل صورت، تحدب صورت، بینی-صورت، نازولبیال، منتولبیال و نازوفرونتال مقایسه شدند. میزان توافق دو روش با استفاده از آزمون t-test زوجی در سطح معنا داری 0/05 و محاسبه ضریب icc ارزیابی گردید. سطح معنی داری کمتر از 0/05 تعیین شد. یافته ها: در  زوایای تحدب کل صورت (0.005p=)، بینی-صورتp=0.001) ) و نازولبیال (p=0.02)، بین دو روش اختلاف معنی داری مشاهده شد؛ اما در 5 متغیر تحدب صورت، منتولبیال، نازوفرونتال، فضای راهرو باکال و نسبت ارتفاع یک سوم میانی به یک سوم تحتانی صورت اختلاف معناداری بین 2 روش مشاهده نشد. ضریب icc  برای همه متغیر ها به جز زاویه  نازولبیال بیش از 0/69 بدست آمد. در اکثر متغیرهای اندازه گیری شده، دقت روش خودکار مشابه روش دستی بود.نتیجه گیری: یادگیری ماشینی پتانسیل استفاده در آنالیز بالینی بافت نرم را دارند؛ همچنین توانایی انجام آنالیز های  قابل اعتماد و قابل تکرار بر روی دیتاهای بزرگی از تصاویر را فراهم می کند.